Sep, 2022

SeRP: 使用扰动点云的自监督表示学习

PDF
TL;DR该论文提出了一个名为 SeRP 的框架，用于自监督 3D 点云学习，其中包括编码器 - 解码器架构，可以接受输入的扰动或损坏的点云，并旨在在没有损坏的情况下重构原始点云，使用了 Transformers 和 PointNet-based 自编码器，还解决了基于 Transformers 的掩膜自编码器的一些局限性，最终提出了基于向量量化的自编码器 VASP 用于点云的表示学习。
self-supervised learning3d point cloudsencoder-decoder architecturetransformersautoencoder
发现论文，激发创造
  • 点云自监督学习的掩蔽自编码器

    本文提出一种新颖的掩码自编码点云自监督学习方案，通过划分输入点云为不规则点区块和高比例随机掩码，设计了一种基于 Transformer 的自编码器，该方案在预训练过程中高效并且在各种下游任务中具有很好的泛化能力，包括在少样本物体分类方面表现出色。

    Mar, 2022

  • 用于无监督点云学习的渐进式种子生成自编码器

    本文提出了一种基于点云重建的学习模型 PSG-Net，它使用了新的自编码器结构，并通过无监督学习实现对点云的重建和分类，优化了传统的鉴别模型，取得了显著的效果。

    Dec, 2021

  • 3D 点云时空自监督表示学习

    本文介绍了一种利用自监督学习学习无标签 3D 点云的时空表示学习 (STRL) 框架，通过从 3D 数据中获得富含的时空线索来应对 3D 情景理解任务中预训练模型泛化性差的困境，实验证明该方法能显著提高 3D 点云中的表示学习性能。

    Sep, 2021

  • SE-ORNet：自我集成方向感知网络，用于无监督点云形状对应

    提出一种自我集成的有方向性网络 (称为 SE-ORNet)，用于解决无监督点云形状对应的难题，能够对齐点云对的方向，有效减轻对称部分的误差预测，同时还采用了自我集成框架，通过数据增强和预测一致性的约束，克服了点云噪声的干扰，实验结果表明，该方法能够超过现有的无监督点云形状对应方法。

    Apr, 2023

  • 用于动态点云自监督学习的对比预测自编码器

    本文提出了一种新的自监督范式来处理点云序列理解问题，设计了两个任务：基于点云序列的对比预测和重建（CPR）来协同学习更全面的时空表示。通过组合传统的对比和重建范例，使得学习到的表示在全局判别和局部感知方面都更加优越。

    May, 2023

  • 点云自监督学习的遮掩式判别

    本研究提出了一种基于 Transformer 的具有区分性的掩码预训练框架 MaskPoint，该框架使用离散的占用值表示点云，通过简单的二元分类来代理掩盖的对象点和采样的噪声点，从而使其具有鲁棒性。该预训练模型在多个下游任务中表现优异，包括 3D 形状分类、分割和真实世界物体检测。

    Mar, 2022

  • 通过重构空间对点云进行自监督深度学习

    提出了一种自我监督学习方法，利用点云数据来预训练深度神经网络用于对象分类和语义分割，从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构，并且在下游的对象分类任务中优于当前无监督学习方法。

    Jan, 2019

  • Point-BERT：使用遮蔽点模型进行 3D 点云 Transformer 模型预训练

    Point-BERT 是一种新的 Transformers 范例，通过预训练点云 Transformers 解决 few-shot 分类问题，在 ModelNet40 和 ScanObjectNN 数据集上取得了超过已有模型的优异表现。

    Nov, 2021

  • 可解释的自监督变压器深入探究点云

    本文研究了 transformers 在点云领域中通过自监督学习所获得的特性，探讨了其预训练方案的有效性，分析了数据数量对网络特征的影响，提出了一种解冻策略，并在分类任务中取得了最优结果。

    Jun, 2023

  • SPU-Net: 自投影优化的自监督点云粗到精重构上采样

    提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

    Dec, 2020